Útmutatóhoz kapcsolódó kvíz · Könnyű Szint
Gini szennyeződési kvíz
Számítsa ki a csomópont-szennyeződést és a súlyozott megosztott nyereséget, majd különböztesse meg Gini helyi faépítő szerepét az előrejelzés értékelésétől.
kérdés 1 -ból 8
Egy bináris csomópont osztályaránya 0,8 és 0,2. Mi a Gini-szennyeződése?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Egy bináris csomópont osztályaránya 0,8 és 0,2. Mi a Gini-szennyeződése?
- 0.32
- 0.20
- 0.64
- 0.80
- Melyik érték írja le a szennyeződést egy olyan csomópontban, amely csak egy osztályt tartalmaz?
- 0.5
- 0
- 1
- It depends on the number of predictors
- Hogyan kell kombinálni a gyermeki szennyeződéseket egy jelölt megosztásának értékelésekor?
- Add child scores without considering child sizes
- Take the largest child impurity only
- Weight each child by its share of the parent observations
- Use only the purity of the smallest child
- Mit jelent a Gini csökkenés a faépítésben?
- The probability that a feature is causal
- The fraction of training labels predicted incorrectly on test data
- The number of classes in the target
- Parent impurity minus weighted child impurity
- For two equally common classes in a binary node, what is Gini impurity?
- 0
- 0.5
- 0.25
- 1
- Melyik különbségtétel pontos Gini és az entrópia között?
- Entropy is a distance between predictor vectors
- Gini evaluates held-out accuracy while entropy builds trees
- They are different local impurity criteria with different scales
- Gini is always numerically larger for every split
- A deep tree has nearly pure training leaves. What should be checked before concluding it generalizes well?
- Whether every feature has a positive value
- Whether every leaf has zero entropy only
- The alphabetical order of class labels
- Performance on appropriately held-out data
- What does node-local Gini impurity describe?
- Class mixing among observations in that node
- The global class balance in every dataset
- The probability the fitted model is calibrated
- Feature importance across all possible models